R 13. 기타

서론

    R에 대한 이해를 더 높이고자 개념에 대해 깊이 알아보자.

---

내장 함수

    dplyr을 많이 사용하지만 기본적인 문법을 알아야 다른 사람의 코드를 이해할 수 있다.

# 데이터 불러오기 
exam <- read.csv("csv_exam.csv")

exam[]	# 전체 데이터 출력
## 결과 생략

exam[1, ]	# 1행 추출
## 결과 생략

exam[,1]	# 1번째 열 추출
## 결과 생략

exam[exam$class == 1,]	# class가 1인 행 추출
## 결과 생략

exam[exam$class == 1 & exam$math >= 50]	# 1반이면서 수학 점수가 50이상
## 결과 생략

exam[, "class"]	# class 변수 추출
## 결과 생략

exam[, c("class", "math", "english")]	# class, math, english 변수 추출
## 결과 생략

exam[1,3]	# 행 인덱스, 열 인덱스에 있는 값
## 결과 생략

exam[5, "english"]	# 행 인덱스, 열 변수명에 있는 값
## 결과 생략

exam[exam$math >= 50, "english"]	# 행 조건, 열 변수명에 있는 값들
## 결과 생략

exam[exam$math >= 50, c("english", "science")]	# 행 조건, 열 변수명에 있는 값들
## 결과 생략

    dplyr과 내장 함수 비교해 보자. 수학 50점 이상, 영어 점수 80점 이상 학생들을 대상으로 각 반의 전 과목 총평균 구하기.

# 내장 함수
exam$tot <- (exam$math + exam$english + exam$science)/3
aggregate(data=exam[exam$math >= 50 & exam$english >= 80,], tot~class, mean)
# aggregate()는 범주별 요약 통계량을 구하는 R 내장함수이다.

# dplyr
library(dplyr)
exam %>%
	filter(math >= 50 & english >= 80) %>%
    	mutate(tot = (math + english + science)/3) %>%
    	group_by(class) %>%
    	summarise(mean = mean(tot))

변수 타입

    변수에는 여러 가지 타입(type, 속성)이 있다. 함수에 다라 적용할 수 있는 변수 타입이 다르기 때문에 분석을 하기 전에 변수 타입이 무엇인지 확인해야 한다. 함수를 실행했을 때 오류가 발생하거나 예상과 다른 결과가 출력되면 변수 타입을 확인하고 함수에 맞게 변경해야 한다.

변수 종류

    변수는 연속 변수(Numeric)와 범주 변수(Factor)로 분류할 수 있다. 변수의 값이 똑같이 숫자로 되어 있더라도 변수 종류가 무엇인지에 따라 사용할 수 있는 분석 방법이 다르다.

변수	Data Type	예
연속 변수	Numeric	키, 몸무게
범주 변수	Factor	성별, 지역

    'class()' 함수를 통해서 변수 타입을 확인할 수 있다. 두 변수의 큰 차이점은 범주 변수는 연산을 할 수 없다는 점이다. 또한 'level()'함수를 통해 어떤 범주로 구성되어 있는지 확인할 수도 있다.

변수 타입 바꾸기

     'as.데이터타입()'을 통해 변수의 타입을 바꿀 수 있다. 이를 변환 함수(Coercion Function)라고 한다.

함수	기능
as.numeric()	numeric 으로 변환
as.factor()	factor 으로 변환
as.character()	character 으로 변환
as.Date()	Date 으로 변환
as.data.frame	Date Frame 으로 변환

Date Type	의미	값
numeric	실수	1, 12.3
integer	정수	1, 23
complex	복소수	3 + 2i
character	문자	"male", "123"
logical	논리	TRUE, FALSE, T, F
factor	범주	1, 2, a, b
Date	날짜	"2024-02-03", "03/02/24"

데이터 구조

    데이터 프레임 외에도 다양한 데이터 구조가 있고, 데이터 구조에 따라 활용 방법에 차이가 있다. 각 데이터 구조의 특징을 알아보자.

데이터 구조	차원	특징
벡터(Vactor)	1차원	한 가지 변수 타입으로 구성
데이터 프레임(Data Frame)	2차원	다양한 변수 타입으로 구성
메트릭스(Matrix)	2차원	한 가지 변수 타입으로 구성
배열(Array)	다차원	2차원 이상의 매트릭스
리스트(List)	다차원	서로 다른 데이터 구조 포함

# 벡터
a <- 1
b <- "hello"

# 데이터 프레임
x1 <- data.frame(var1 = c(1, 2, 3), var2 = c("a", "b", "c"))

# 메트릭스
x2 <- matrix(c(1:12), ncol = 2)

# 배열
x3 <- array(1:20, dim = c(2, 5, 2))

# 리스트
x4 <- list(f1 = a, f2 = x1, f3 = x2, f4 = x3)

---

마크다운

   데이터 분석 결과를 잘 전달하려면 코드와 결과물이 설명 글과 함께 어우러진 데이터 분석 보고서를 작성해야 한다. 그래야만 독자가 분석 과정을 명확히 이해할 수 있고, 직접 코드를 실행하면서 동일한 결과가 도출되는지 확인하거나 자신의 분석 작업에 활용할 수 있다.

   R 마크다운(R Markdown)을 활용하면 데이터 분석의 전 과정을 담은 보고서를 쉽게 만들 수 있다. 다양한 포맷으로 저장할 수 있기 때문에 별되의 문서 작성 소프트웨어를 사용하지 않고도 데이터 분석 보고서를 만들 수 있다.

문서 만들기

     'File > New File > R Markdown...'로 들어가면 마크다운 문서 생성 창이 열린다. 저장할 포맷을 정하고 'OK'를 클릭하면 마크다운 문법으로 작성된 예제 문서가 만들어진다. 마크다운 창 메뉴에서 뜨개질 모양 버튼을 클릭하면 R 마크다운 문서 파일을 저장하는 창이 열린다. 파일명을 입력하고 저장하면 마크다운 문서가 HTML 포맷으로 변환되고, 새창이 열린다. Rmd 파일과 변환된 HTRL 파일은 프로젝트 폴더에 저장된다. 또한 뜨개질 모양 버튼 옆 화살표 버튼을 클릭하면 HTML파일 말고도 다른 파일로 변환할 수 있다.

    마크다운 문법은 대체로 비슷하다. 만약 마크다운을 모른다면 아래 R 마크다운 공식 사이트를 참고 바란다.

---

주섬주섬

• 아래는 정리이다.

## 1.데이터 추출하기
exam[1,]				# 행 번호로 행 추출
exam[exam$class == 1, ]			# 조건을 충족하는 행 추출
exam[exam$class == 1, exam$math >= 50]	# 여러 조건을 충족하는 행 추출

exam[,1]				# 열 번호로  변수 추출
exam[,"class"]				# 변수명으로 변수 추출
exam[,c("class", "math", "english")]	# 변수명으로 여러 변수 추출
exam[1,3]				# 행, 변수 동시 추출 - 인덱스
exam[exam$math>=50, "english"]		# 행, 변수 동시 추출 - 조건문, 변수명

## 2.변수 타입
var <- c(1,2,3,1,2)			# numeric 변수 만들기
var <- factor(c(1,2,3,1,2))		# factor 변수 만들기
var <- factor(c("a", "b", "b", "c"))	# 문자로 구성된 factor 변수 만들기

class(var)		# 변수 타입 확인하기
levels(var)		# factor 변수의 구성 범주 확인
var <- as.numeric(var)	# factor 타입을 numeric 타입으로 변환하기

## 3.데이터 구조
a <- 1								# 벡터
b <- "hello"
x1 <- data.frame(var1 = c(1, 2, 3), var2 = c("a", "b", "c"))	# 데이터 프레임
x2 <- matrix(c(1:12), ncol = 2)					# 메트릭스
x3 <- array(1:20, dim = c(2, 5, 2))				# 배열
x4 <- list(f1 = a, f2 = x1, f3 = x2, f4 = x3)			# 리스트

# 리스트 활용하기
x <- boxplot(mpg$cty)	# 상자 그림 만들기
x$stats[,1]		# 요약 통계량 추출

참고

R Markdown